《现代电影技术》｜刘达等：从ECCV 2026国际顶会前瞻数智技术赋能中国电影产业创新升级

本文刊发于《现代电影技术》2026年第10期

专家点评

侯克明

教授

北京电影学院博士生导师

中国电影家协会第九、第十届理事

当前计算机视觉领域正经历由单一算法优化向系统性能力整体跃升的深刻转变。三维/四维高斯泼溅（3DGS/4DGS）、多模态大模型、具身智能与世界模型等前沿技术的发展演进深刻影响着兼具文化与科技双重属性的电影产业形态，从剧本创作、视觉生成、虚拟摄制到发行放映，电影生产运营全链路迎来数字化重构与智能化升级的重大机遇。依托相关科研成果，青岛东方影都“4D高斯泼溅影棚”采集渲染生成设备已投入电影生产；中影多家“CINITY LED 透声屏”影厅建成运营；虚拟摄制与XR电影放映逐步推广，影院观影形态正在发生革命性变化。我国电影产业正处在积极拥抱数智技术的高速发展阶段，科学评估前沿技术的成熟度、适配性与安全性，前瞻布局数智技术发展应用，对培育文化新质生产力、提升产业核心竞争力具有重要意义。《从ECCV 2026国际顶会前瞻数智技术赋能中国电影产业创新升级》一文系统梳理ECCV 2026最新研究成果，聚焦上述前沿技术发展与AI安全治理方向，结合国家战略部署和国内电影产业实际，提出建设国家电影数智资产平台、构建电影行业智能应用创新生态、推进电影全产业链智能化升级等系统性建议。文章综合国际学术前沿成果，对技术发展研判严谨细致，兼具学术技术前瞻性与产业实践指导性，可为数智技术在电影全产业链的探索落地提供参考路径，对于促进我国电影产业提质增效、提升国际传播能力，具备较高理论价值与行业应用价值。

项目信息

中国电影科学技术研究所（中央宣传部电影技术质量检测所）基本科研业务费项目“电影科技期刊与信息服务平台建设研究”（2025⁃DKS⁃13）。

作者简介

刘 达

正高级工程师，中国电影科学技术研究所（中央宣传部电影技术质量检测所）总工程师，《现代电影技术》主编，主要研究方向：电影科技与产业智能化升级。

李 杨

高级工程师，中国电影科学技术研究所（中央宣传部电影技术质量检测所）电影技术信息中心主任，《现代电影技术》副主编，主要研究方向：数字电影技术。

王 萃

正高级工程师，中国电影科学技术研究所（中央宣传部电影技术质量检测所）高新技术研究处处长，主要研究方向：数字电影技术。

王木旺

正高级工程师，中国电影科学技术研究所（中央宣传部电影技术质量检测所）传输放映技术研究处副处长，主要研究方向：数字电影技术。

张海悦

中国电影科学技术研究所（中央宣传部电影技术质量检测所）高新技术研究处高级工程师，主要研究方向：数字电影技术。

摘要

本文系统阐述了2026年度欧洲计算机视觉国际会议（ECCV 2026）的最新研究成果，涵盖三维/四维高斯泼溅（3DGS/4DGS）新型表征技术、多模态学习与大模型、具身智能与世界模型、人工智能（AI）安全与治理等研究进展，并结合国家战略和产业需求，提出数智技术在电影全产业链深化应用的技术路径与前瞻思考。研究表明，电影行业需牢牢抓住数智技术革新机遇，统筹可用性、有效性、系统性、安全性和可控性，加快构建适配国家战略、产业需求和技术趋势的数智技术深化应用体系，推动数智技术赋能电影产业提质增效和创新升级，显著提升电影公共服务水平和产业整体效能。

关键词

数智技术；大模型；具身智能；世界模型；AI安全治理；创新升级

1

引言

2026年9月，我们一行5人赴瑞典马尔默参加了计算机视觉（Computer Vision, CV）领域的国际顶级学术会议——欧洲计算机视觉会议（European Conference on Computer Vision, ECCV）。

ECCV与计算机视觉国际大会（ICCV）、IEEE国际计算机视觉与模式识别会议（CVPR）并称为计算机视觉领域的三大国际顶会，其历来是全球计算机视觉与人工智能（AI）领域最新研究成果的风向标，相关研究成果往往引领着未来数年前沿技术的落地应用方向与产业发展脉络。近年来，以人工智能技术、新一代信息技术、新兴视听技术等为代表的数智技术，特别是计算机视觉相关分支领域的快速发展，正在深刻改造和重塑电影产业从内容创作、制作生产、发行放映到安全版权全链路的生产运营逻辑，数智技术已经成为电影产业突破发展瓶颈、培育新增长动能、实现创新升级的重要手段和核心路径。

此次参会重点聚焦3D/4D智能生成、多模态学习与大模型、具身智能（Embodied Intelligence）与世界模型（World Model）、AI安全与治理等发展趋势和最新进展，对最新研究成果进行系统梳理总结与产业关联分析，将有助于中国电影产业适应技术演进趋势，找准数智化转型升级的发力方向和实施重点，科学有效应对新一轮科技革命和产业变革带来的新机遇新挑战，对推动数智技术在电影全产业链全价值链中的深化应用具有重要的现实指导意义与行业应用价值。

2

ECCV 2026最新研究成果及主要收获

2.1 3DGS/4DGS等新型表征技术向“高效表达”与“高质重建”快速演进，并与视频生成、多模态感知、实时渲染等技术实现深度融合，推动数字内容创作生产从离线高精度重建转向实时感知、生成与交互，为电影行业3D/4D静动态场景重建与智能创作实现工程落地提供了关键支撑

三维重建（3D Reconstruction）是计算机视觉领域的核心研究方向，旨在从图像、视频等观测数据中恢复场景的几何结构与外观。近年来，3D高斯泼溅（3D Gaussian Splatting, 3DGS）凭借显式基元、可微光栅化和实时渲染等技术优势，已在新视角合成、机器人感知、自动驾驶、数字内容制作等领域受到广泛关注并实现落地应用。本次ECCV会议清晰呈现出三维重建领域的三条并进方向。

（1）3DGS技术从前馈泛化、效率优化、真实场景鲁棒性三方面持续加固

瑞士联邦理工学院等提出ReSplat[1]，将渲染误差作为反馈信号迭代精化高斯，以16倍降采样初始化大幅减少高斯数量并提升跨数据集、跨视角、跨分辨率泛化能力；端侧AI芯片‌公司AimFuture等提出SubSplat[2]，通过亚像素高斯重参数化从低分辨率特征细分出细粒度基元，有效化解高分辨率输入与计算量平方增长之间的矛盾；斯坦福大学与谷歌（Google）DeepMind联合提出GaussianLens[3]，实现按需局部高分辨率致密化，仅对用户关注区域融合高分辨率观测，支持1024×1024细节重建。

（2）受3DGS启发的新型表征范式向纹理、矢量曲线、三角网格等经典图形学方向创新突破

本次会议最佳论文提出Heat Kernel Textures（HKTex）[4]，借鉴3DGS的基元思想，在三角网格流形表面以各向异性热核作为测地高斯，消除UV展开及其固有的接缝、畸变、顶点重复等问题。慕尼黑工业大学等[5]提出TriFlow，将网格拓扑表示为最近顶点向量场，通过聚类与二次误差简化提取艺术家风格连接性，快速生成干净、结构化、低多边形三角网格，可直接交付图像引擎或动画制作流程使用。

（3）几何先验深度渗透视频生成大模型，几何一致性成为世界模型的重要约束

复旦大学等提出DreamWorld[6]，将三维基础模型的空间结构先验与视频扩散模型生成能力双层解耦，提升跨视角一致性；麻省大学阿默斯特分校等提出Edit3r[7]，以单遍前馈方式从稀疏无位姿图像和文本指令直接预测指令对齐的3D高斯，约0.5秒即可完成重建与编辑一体化。

四维重建（4D Reconstruction）旨在从视频流中恢复随时间变化的三维几何与外观，是虚拟摄制、具身智能、元宇宙和数字人产业的关键支撑技术。近年来，随着稀疏视角视频数据积累和动态3DGS技术发展，4D重建正从离线优化走向流式前馈，从单模态视觉动捕走向智能眼镜、可穿戴设备、脑电信号等多模态融合。香港科技大学等提出Forge4D[8]，从未标定稀疏视角视频流中联合重建动态人体与物体，以可学习状态词元（Token）保证时间一致性，并设计自监督稠密运动预测模块支持新视角与新时间帧合成。瑞士联邦理工学院与Meta Reality Labs提出EgoExoMoCap[9]，两人各佩戴一副智能眼镜，即可联合自我/第三人称多模态信号完成分布式动捕，在噪声和遮挡下保持鲁棒。南加州大学等提出Mind⁃to⁃Face[10]，首次将非侵入式脑电图信号直接解码为高保真三维面部表情，为神经驱动个性化远程与认知交互开辟了新范式。

纵观本届ECCV会议3D/4D智能生成相关方向的整体进展，可以看到以3DGS/4DGS为代表的新型表征技术，正与视频生成、多模态感知、实时渲染等技术逐步实现深度融合，推动数字内容创作生产从离线高精度重建向实时感知、生成与交互发展演进，数字内容的创作生产方式与体验逻辑正面临重要改变。对于电影行业而言，随着3DGS/4DGS等数字内容智能生成技术不断发展完善，不仅能显著提升影视制作效率，也将逐步影响叙事形态、观影体验和产业协作方式，高品质、沉浸式、可交互的观影体验正在从概念设计走向工程实用，虚拟摄制、元宇宙等与传统电影工业的衔接将愈加紧密。特别是，4D高斯泼溅（4D Gaussian Splatting, 4DGS）作为复杂动态场景建模的关键技术，其联合考虑时空信息，重建结果更加时空连续。近年来4DGS重建质量、渲染质量和实用性不断提升，未来有望成为影视制作、增强现实（AR）、具身智能等领域的基础设施技术，并推动动态三维内容创作从“昂贵专业制作”走向“普惠即时重建与生成”，电影行业应加快开展4DGS相关行业定制研究与示范应用工作。

2.2 多模态学习和大模型研究迈向理解与生成相统一、可解释性与计算效率提升，推动多模态大模型加快实现精准可信高效应用，电影行业应立足业务特点和发展需求，深度挖掘利用行业领域多模态复合数据价值，推动行业垂类模型落地应用与影像业态创新提质

本届ECCV会议多模态模型研究主要围绕理解与生成相统一、模型可解释性与计算效率提升等方面展开，相关研究探索了不同模态和不同任务在统一表征与架构下的深度融合，关注模型内部机制的观测与验证，并在训练、推理等环节实施优化以提升计算效率，促进多模态模型在能力、可信度与效率之间取得平衡，推动其加快得到实际应用。

2.2.1 理解与生成相统一

韩国KAIST AI等[11]通过控制变量实验发现，在共享Transformer骨干网络与统一视觉编码器的架构中，理解与生成能力之间存在迁移效应；谷歌DeepMind等提出GenCeption[12]，将预训练视频扩散模型改造为前馈感知模型，迁移至视觉理解任务。针对统一建模中理解侧重高层语义与判别、生成侧重底层像素与重建的优化目标差异，上海交通大学等提出EvoTok[13]，设计残差演化机制，让浅层Token捕捉像素级细节、深层Token过渡到高层语义，使同一视觉表示同时服务于理解与生成。此外，北京大学团队[14]研究发现，现有多模态大语言模型（MLLM）在多图细粒度感知中缺乏跨图线索主动比较与信息发现能力。针对MLLM自身视觉感知与推理能力瓶颈，新加坡国立大学研究团队[15]与加州大学伯克利分校等研究团队[16]分别从增强视觉信息表示和强化视觉推理能力两个方向提出改进方案。

2.2.2 模型可解释性

随着多模态模型规模扩大和模态融合程度加深，其内部表征与决策机制日趋复杂，模型行为验证、归因、干预的难度随之增加，影响可靠性判断并制约其可信部署应用。可解释性研究是探索模型内部机制的关键路径，本次ECCV会议相关研究覆盖视觉基础模型、视觉语言模型（VLM）与生成模型，主要围绕以下三个方向展开：

（1）输入归因，关注模型利用了哪些输入信息，以及这些信息如何影响判断。新加坡科技研究局资讯通信研究院等提出的ELC[17]和浙江大学等提出的GEAR⁃Seg[18]正尝试将模型决策所依赖的跨模态证据与推理流程显式化、结构化。

（2）网络内部机制，关注模型学到了什么，以及如何利用内部表征完成判断，通常需要对概念表示和概念关系进行建模，如马克斯·普朗克信息学研究所[19]将视觉特征映射为具有空间定位的细粒度可解释概念，特拉华大学等[20]从模型内部提取有向图，用节点间的连线表示概念关系与计算路径。

（3）解释可信度验证，关注解释是否真正反映决策依据。德国航空航天中心数据科学研究所等[21]通过实验指出，模型预测准确并不意味着解释准确，二者需分别评价，美国卡耐基梅隆大学等[22]通过理论分析，证明特定假设下模型学到的变量与真实潜在因子间可建立对应关系。

2.2.3 计算效率提升

多模态模型因跨模态注意力与长上下文面临计算和显存压力，训练成本随基座规模与数据量持续攀升，效率优化成为关键问题。本次ECCV会议围绕模型生命周期中的表征、训练与推理环节，结合蒸馏（Distillation）、剪枝（Pruning）、强化学习（Reinforcement Learning）等手段探索优化技术路径。表征阶段压缩视觉信息冗余降低计算负担，莫纳什大学等[23]通过运动补偿门控与场景合并压缩长视频视觉token时空冗余；清华大学与GigaAI的联合团队[24]利用深层注意力信息预测视觉Token重要性，结合语义一致性进行剪枝。训练阶段通过优化潜空间表征与后训练策略等提升训练效率与任务能力。北京智谱华章科技股份有限公司研发的智谱AI识别出两种有利于扩散训练的谱特性，提出轻量级正则化方法加速视频生成模型收敛[25]；中国科学院自动化研究所等[26]构建思维链（CoT）数据集，采用可验证奖励强化学习（RLVR）与组相对策略优化（GRPO）后训练减少人工反馈，降低训练难度。推理阶段采用动态算力分配与按需计算，布鲁塞尔自由大学的测试时扩展（TTS）表明，多模态模型推理算力需按任务类型和模型规模合理配置[27]；中国台湾国立清华大学将其应用于流式视频异常理解，采用快慢解耦框架按需调用重型推理模型以降低计算开销[28]。

分析可见，多模态模型研究经历了从各模态独立建模、跨模态对齐到多模态统一建模的发展历程，呈现一体化、可解释与高效化的研究趋势，并向触觉、嗅觉等更多模态扩展延伸。电影是典型的多模态数据集合体，从拍摄制作到发行放映涵盖文本、图像、视频、3D模型、声音等多种模态数据，具有高质量、强叙事、长时序等特征。当前，多模态模型正从通用领域向电影领域延伸[29—31]，通过深度挖掘电影多模态数据价值与专属特征迭代模型性能，面向电影特定场景开展垂类模型训练、多智能体系统（MAS）构建等技术研究，既可丰富电影行业的模型供给，提升场景适配能力，降低技术落地工作量与实施门槛，也为交互式、沉浸式的新型影像创作提供了技术可能，为空间智能、具身智能、世界模型等新一代人工智能技术在大视听行业发展应用奠定了重要基础。

2.3 具身智能正经历从“理解世界”到“预测世界”的范式转移，以世界模型与自监督学习为核心，致力于破解优质数据匮乏、泛化能力与效率不高等发展瓶颈，为影视行业从“画面生成”向“物理推演”的具身化演进提供了系统性借鉴

本届ECCV会议的86个研讨会中，有13个直接聚焦世界模型（World Model）或具身智能（Embodied Intelligence），数量超过此前任何一届，标志着世界模型已成为学术界与产业界的主流共识，技术范式正经历从感知到决策的根本性转移。与此同时，该领域也面临高质量多模态数据匮乏、落地应用算力受限与泛化困难等诸多挑战，围绕这些问题，会议提出了多种解决方案并在实践中加以验证。

2.3.1 形成从像素重建到决策导向的范式转移共识

2018年度图灵奖得主杨立昆（Yann LeCun）发表《世界模型：推动下一次人工智能革命》主旨演讲，指出智能（Intelligence）的核心是快速学习、解决问题与发明创造，而非技能复用；当前纯文本模型缺乏现实交互与常识理解，像素级视频预测因现实不可预知易输出均值或虚假结果。进而提出下一代AI技术格式：基于能量的模型与世界模型通过优化搜索寻找能量函数最小的输出，推理能力更强，并通过硬件约束实现安全可控；联合嵌入预测架构（Joint Embedding Predictive Architecture, JEPA）在抽象表征空间完成预测，去除不可预测的无关噪声信息，已大幅降低预测难度，在视频理解等领域得到验证[32]。这一范式转移在多个报告中得到体现：潜世界模型（Latent World Model, LWM）导航提出“兼容性预测”，跳过像素级重建，直接在潜空间（Latent Space）评估动作后果的兼容性；传统世界模型方法需逐帧重建像素级3D结构，推理开销极高，无法满足机器人实时部署需求，而LWM通过反事实训练判断动作是否接近目标，而非预测下一帧图像，使世界模型从渲染引擎转变为决策引擎，推理负担大幅降低，在不损失决策精度前提下，实现了边缘端算力约束下的实时部署，为在真实机器人平台上部署应用提供了可行方案[33]。

2.3.2 有效克服真实物理交互数据匮乏，从监督学习向自监督和无监督学习发展演进

面对高质量真实物理交互数据匮乏的核心痛点，ECCV 2026多项学术成果选择了自监督与合成数据的技术路线。Kristen Grauman在ECCV《从机器感知到人类专长》主旨演讲中，聚焦视频理解与具身感知交叉方向，探讨如何通过大规模未标注视频数据训练具备环境理解能力的具身智能系统，并介绍了其团队提出的EgoExo⁃WM框架。该框架利用第三人称视频中提取的3D人体运动作为桥梁，将海量的外部视角视频转换为第一人称世界模型的训练数据，显著提升了世界模型预测质量与下游规划性能[34]。TriO三模态无监督世界模型将相机、激光雷达和雷达数据同时作为输入与自监督信号，实现4D占用、障碍物分割与运动流预测，无需人工标注即可实现零样本泛化[35]。LWM通过反事实训练与想象驱动强化学习，摆脱对高成本人工标注动作数据的依赖。SPEAR照片级仿真器开放超1.4万个虚幻引擎（Unreal Engine, UE）函数，首次提供非漫反射本征分解、材质ID等物理属性真值，为多模态感知模型规模化训练提供了核心基础设施[36]。

2.3.3 有效缓解模型泛化能力与效率不高瓶颈，推动具身智能工程化落地应用

R3DP实时3D感知操作通过异步“快慢协同”模块（稀疏帧用VGGT模型，中间帧用轻量TFPNet模型），在引入3D先验的同时实现推理提速44.8%，成功率提升超30%[37]。MV2GF多视角行人检测引入视觉几何基础模型（Depth Anything 3），通过视觉外观特征与几何结构特征双特征融合与点图聚合优化，摆脱传统方法对训练场景相机参数的强依赖，在无相机参数数据下实现跨场景稳定行人检测[38]。Jamie Shotton分享了Wayve在自动驾驶场景中落地世界模型的实践经验，系统阐述了计算机视觉从感知理解到行动决策的范式转移。Wayve团队研发的GAIA⁃3版本生成式世界模型，以150亿参数、10倍量级训练数据，可精准模拟罕见、危险驾驶场景，为自动驾驶安全验证提供了低成本、高效率合成数据，为缓解具身智能落地应用中真实场景数据匮乏、极端场景难以复现的痛点提供了可行路径[39]。

纵观本届ECCV会议，具身智能与世界模型的前沿进展，为电影行业从“离身生成”向“具身共创”转型升级提供了可借鉴的技术范式，主要思考和启发涵盖以下四个方面：

（1）在电影摄制端，可使用世界模型提升物理可信度。借鉴JEPA架构与能量模型，摒弃逐帧渲染，在潜空间评估镜头合理性与光影物理合规性；参考LWM反事实训练思路，系统离线学习物理规律、实时判断摄制参数后果，实现“预测后果而非像素”，大幅提升制作效率；可借鉴自动驾驶领域GAIA⁃3世界模型，以合成数据弥补实拍数据稀缺，可降低拍摄风险与制作成本。

（2）在资产端激活存量素材，可构建自监督训练资源。可借鉴Grauman团队研究方向，对存量影视素材进行自监督特征提取，自动生成结构化资产标签；参考TriO三模态自监督方法，以多模态传感器数据为监督信号生成资产；利用MV2GF基础模型泛化能力实现跨相机配置的适配效率，降低资产复用成本。

（3）在电影多元化放映端，可用地理空间先验增强VR电影叙事体验。借鉴PriorEye技术思路，预先构建独立“视觉与空间”记忆库，当传感器失效时调用先验记忆进行安全回退。适配到VR电影场景中，当观众移动到传感器盲区时，系统可基于预设场景先验继续渲染，维持沉浸感的连续性。

（4）在治理端可将物理一致性纳入质量控制（QC）体系。当前AI生成影视内容存在物理不一致性等核心质量问题，影视行业在制定具身智能技术标准时，可将物理一致性评估作为强制性质控指标，构建可信度评级体系。

2.4 在人工智能技术加速迭代升级、应用场景持续拓展深化的背景下，AI安全治理体系建设成为兼具关键性和紧迫性的时代课题，统筹发展与安全，跟踪研判AI安全治理前沿技术发展、构建电影领域AI安全治理体系和安全可信应用生态具有重要战略价值与现实意义

本届ECCV会议多个专题报告聚焦模型安全、数据安全、内容安全与版权保护议题，发布的最新研究成果涵盖模型安全性提升、隐私保护训练框架以及AI生成内容标识和识别等重要方向。

2.4.1 模型安全性提升

针对对抗扰动、物理场景失效、跨模态安全对齐、模型推理漏洞等模型安全问题，多项研究提出多元化的模型安全性提升方案：针对多模态视觉模型易受图像内文字干扰的缺陷，提出借助概率分析与电路挖掘技术，定位到过度编码词汇信息的特定组件，通过微调注意力权重抵御文字类对抗攻击；针对视觉世界模型在关键系统部署的安全隐患，提出专门适配自回归视觉世界模型的无标签对抗框架，为实现隐私保护提供可行思路；安全世界模型专题论坛围绕AI红队测试、不确定性预警、反事实风险场景生成，提出依托世界模型构造极端长尾案例，构建覆盖物理对抗样本、UI动态偏移的真实评测体系，并结合AI红队测试完成闭环安全验证。

2.4.2 隐私保护训练框架

该框架是面向机器学习模型训练过程构建的数据隐私保护技术体系，其核心目标是满足训练数据“可用不可见”的安全需求。针对视觉大模型在训练与推理环节面临的训练数据泄露、成员推理攻击及模型逆向攻击等隐私风险，研究聚焦大规模图像、人脸、视频训练场景中存在的数据泄露、模型记忆、身份隐私窃取等安全隐患。相关研究提出身份解耦蒸馏、几何保留脱敏方案，通过隐私代理样本替代原始敏感数据，削弱模型对人脸等私密信息的记忆，在保障下游任务精度前提下规避原始数据泄露风险；相关研究聚焦轻量化模型遗忘技术，精准定位身份特征通路擦除特定人像记忆，无需全量重训练即可实现隐私合规删除；专题论坛构建了视觉模型隐私红队审计体系，实现训练过程中隐私泄露风险的量化评估。

2.4.3 AI生成内容标识和识别

研究重点解决扩散模型（Diffusion Model）生成图像的溯源、深度伪造检测、隐式标识抗移除等问题。相关研究从主动标识嵌入角度，提出面向扩散模型的分块水印与隐向量变换方法，将数字水印嵌入扩散生成过程，在保障视觉质量的同时有效抵御压缩、裁切等后处理攻击。相关研究从检测角度提出特征增强隐式正则化方法，缓解视觉基础模型检测器依赖语义先验而非伪造痕迹的“语义退化”问题，并通过掩码双流Transformer架构，不仅能够判别图像真伪，还能够定位AI合成区域、区分混合拼接类伪造内容，推理速度显著优于基于大语言模型（LLM）的检测方案；Life⁃Cycle IP Governance专题论坛围绕图像指纹、生成内容取证基准，研讨水印擦除、跨生成器泛化能力不足等现实挑战，探索显式标识与隐式取证相结合的技术体系。

3

思考与建议

国家“十五五”规划纲要明确提出，推进文化和科技融合，推动文化建设数智化赋能、信息化转型，发展新型文化业态。2026年10月《中共中央 国务院关于发展新质生产力的意见》发布，提出发展新质生产力是推动高质量发展的内在要求和重要着力点，推进人工智能对传统产业的改造，加快人工智能等数智技术创新，因地制宜、分业施策布局国家人工智能行业应用中试基地和高价值应用场景，大力推动人工智能在各行业应用。电影兼具文化属性和科技属性，是文化产业的重要组成部分和宣传思想文化领域的核心载体。锚定2035年建设实现电影强国的宏伟目标，响应国家“十五五”规划纲要和“人工智能+产业发展”行动部署，结合此次参会成果，提出如下思考与建议：

3.1 以现代数智技术赋能电影全产业链，以重大工程项目实施为重要抓手，加快构建国家电影数智资产平台，推动电影数字资产系统性集聚整合与高效流转复用，促进电影摄制发行放映全链路数智化创新，积极培育电影行业新型文化业态

人工智能（AI）、3D/4D智能生成等技术日趋成熟，影视数字资产规模化增长，为电影产业数智化转型和服务创新升级提供了重要支撑。建设国家电影数智资产平台，有助于整合行业内外优质资源，发挥现代数智技术赋能优势，激发产业发展新动能。通过平台建设，统筹集聚电影剧本、实拍素材、特效音视频、制作中间数据等全维度资源，规范数字资产流转复用体系，开展标准化治理，将多元素材转化为可流通、可复用、可增值的标准数字资产，破解资源分散、复用率低、流转不畅等突出问题，推动行业资源系统化集聚整合与高效流转复用，充分释放行业存量与增量资产效能。构建“采集-处理-服务-治理-安全-版权”全链路工具体系，打造高质量、多模态电影行业语料库，为电影行业垂直大模型训练推理等应用场景提供坚实数据底座，全方位赋能电影全产业链数智化创新。依托平台资产优势，创新升级中国电影文化出海范式，打破传统影片出口的单一固化模式，通过数字资产全链路开发、数智化赋能和全球化运营，有效破解国际传播力影响力引领力不足等困境，积极服务中华文化自信自强。

3.2 践行国家战略和行业需求，运用机器学习、深度学习、大模型、具身智能、世界模型等现代智能科技发展成果，前瞻布局和科学制定电影产业智能化升级整体方案，加快构建电影行业智能应用创新生态，推进全产业链智能化升级，大力发展电影智能产业与智能经济

智能化升级是电影产业继数字化转换之后的又一次重大变革，其影响力和重要意义相对于数字化转换更具广泛性、颠覆性和深远性。智能产业与智能经济已成为推动经济社会文化发展的核心趋势和重要力量。推动电影全产业链智能化升级，是培育发展文化新质生产力、实现我国影视产业高质量可持续发展的战略必然，也是建设文化强国、提升国家文化软实力的重要举措。当前亟需从国家战略和行业需求层面强化顶层设计、开展前瞻布局、深化自主创新，科学研究制定我国电影产业智能化升级整体解决方案，系统性推进电影全产业链全价值链智能化升级。一方面，以现代智能科技创新应用为突破口，大力推进人工智能生成内容（AIGC）、大模型、3D/4D智能生成等前沿技术深度赋能电影产业，围绕剧本创作、视觉生成、资产创建、智能摄制等核心生产环节，开展行业定制技术研发与场景落地，构建现代影视智能化创作生产体系，大幅提升内容创制质效，加快构建智能影视创作生产创新生态。另一方面，立足未来产业发展与竞争的战略制高点，前瞻布局元宇宙（Metaverse）、世界模型、具身智能、通用人工智能（AGI）等前沿颠覆性技术在影视领域的创新应用，聚焦特种场景拍摄、具身智能摄制、可交互虚拟片场自动构建、沉浸式交互影视体验、智能虚拟创制等新兴场景开展技术攻关与示范应用，抢占全球影视数字科技创新赛道，构建自主安全可控的电影智能应用技术体系、产业范式与创新生态，有力支撑电影科技高水平自立自强。

参考文献

（向下滑动阅读）

[1] Xu H,Baráth D,Peng S,et al.ReSplat: Learning Recurrent Gaussian Splatting[PP/OL].(2025⁃10⁃09)[2026⁃09⁃27].https://arxiv.org/abs/2510.08575.

[2] Lee J,Kim J,Lee S.SubSplat: High⁃Resolution Pixel⁃aligned 3DGS via Sub⁃pixel Gaussian Reparameterization[PP/OL].(2026⁃07⁃23)[2026⁃09⁃27].https://arxiv.org/abs/2607.20813.

[3] Weng Y,Wang Z,Peng S,et al.GaussianLens: Localized High⁃Resolution Reconstruction via On⁃Demand Gaussian Densification[PP/OL].(2025⁃09⁃29)[2026⁃09⁃27].https://arxiv.org/abs/2509.25603.

[4] Foti S,Korkmaz C,Zafeiriou S,et al.Heat Kernel Textures: the Geodesic Gaussians That Do Not Splat[PP/OL].(2026⁃09⁃07)[2026⁃09⁃27].https://arxiv.org/abs/2609.07557.

[5] Li H,Erkoç Z,Sirigatti D,et al.TriFlow: Generating Artist⁃Like 3D Mesh Topology via Nearest⁃Vertex Vector Fields[PP/OL].(2026⁃06⁃18)[2026⁃09⁃27].https://arxiv.org/abs/2606.20131.

[6] Yang H B, Chen Y, Pan Y W, et al. DreamWorld: Geometry‑Grounded Video Diffusion for 3D‑Consistent World Modeling [EB/OL].[2026‑09‑27]. https://yanghb22‑fdu.github.io/DreamWorld/.

[7] Liu J,Lyu W,Li X, et al.Edit3r: Instant 3D Scene Editing from Sparse Unposed Images[PP/OL].(2025⁃12⁃31)[2026⁃09⁃27].https://arxiv.org/abs/2512.25071.

[8] Hu Y,He Y,Chen J, et al.Forge4D: Feed⁃Forward 4D Human Reconstruction and Interpolation from Uncalibrated Sparse⁃view Videos[PP/OL].(2025⁃09⁃29)[2026⁃09⁃27].https://arxiv.org/abs/2509.24209.

[9] Jiang J,Bhatnagar B L,Yang N, et al.EgoExoMoCap: Distributed Ego⁃Exo Human Motion Capture[PP/OL].(2026⁃07⁃17)[2026⁃09⁃27].https://arxiv.org/abs/2607.15868.

[10] Xiong H,Fu T,Prasad P B,et al.Mind⁃to⁃Face: Neural⁃Driven Photorealistic Avatar Synthesis via EEG Decoding[PP/OL].(2025⁃12⁃03)[2026⁃09⁃27].https://arxiv.org/abs/2512.04313.

[11] Kang J,Yoon H,Jung J,et al.Transferability Between Understanding and Generation in Unified Multimodal Models[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden:Springer Nature Switzerland,2026:626⁃647.DOI:10.1007/978-3-032-37132-435.

[12] Wang L,Zhang C,Kabra R,et al.Video Generation Models are General⁃Purpose Vision Learners[C]//Proceedings of the European Conference on Computer Vision (ECCV). Malmö, Sweden: Springer Nature Switzerland,2026:608⁃627.DOI:10.1007/978-3-032-37369-433.

[13] Li Y,Liao N,Zhao X,et al.EvoTok:A Unified Image Tokenizer via Residual Latent Evolution for Visual Understanding and Generation[C]//Proceedings of the European Conference on Computer Vision (ECCV).Malmö,Sweden: Springer Nature Switzerland,2026:186⁃204.DOI:10.1007/978-3-032-37553-711.

[14] Li G,Peng Y.DiCoBench: Benchmarking Multi⁃image Fine⁃Grained Perception via Differential and Commonality Visual Cues[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö, Sweden:Springer Nature Switzerland,2026:169⁃184.DOI:10.1007/978-3-032-37383-010.

[15] Zhang S,Shen Q,Wang S,et al.Make Geometry Matter for Spatial Reasoning[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden:Springer Nature Switzerland,2026:231⁃249.DOI:10.1007/978-3-032-37020-413.

[16] Qin Y,Wei B,Ge J,et al.Chain⁃of⁃Visual⁃Thought:Teaching VLMs to See and Think Better with Continuous Visual Tokens[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden:Springer Nature Switzerland,2026:445⁃462.DOI:10.1007/978-3-032-37359-525.

[17] Leong M C,Gu Y,Tan H L,et al.Explicit Logic Channel for Validation and Enhancement of MLLMs on Zero⁃Shot Tasks[PP/OL].(2026⁃07⁃01)[2026⁃09⁃21].https://arxiv.org/abs/2603.11689.DOI:10.48550/arXiv.2603.11689.

[18] Wang Y,Li W,Ying Y,et al.GEAR⁃Seg:A Grounded Explainable Agent for Reasoning Segmentation and Data Engine[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden: Springer Nature Switzerland,2026:651⁃669.DOI:10.1007/978-3-032-37359-536.

[19] Wittenmayer K,Rao S,Parchami⁃Araghi A,et al.CFM:Language⁃Aligned Concept Foundation Model for Vision[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden: Springer Nature Switzerland,2026:173⁃191.DOI:10.1007/978-3-032-37556-810.

[20] Chen Y,Li T,Peng X."World Knowledge"in the Weights: Reading Concept Circuits of Vision Transformers[PP/OL].(2026⁃09⁃08)[2026⁃09⁃21].https://arxiv.org/abs/2609.09055.DOI:10.48550/arXiv.2609.09055.

[21] Schmalwasser L,Blunk J,Penzel N,et al.On the Faithfulness of Post⁃Hoc Concept Bottleneck Models[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden:Springer Nature Switzerland,2026:274⁃292.DOI:10.1007/978-3-032-36846-116.

[22] Kong L,Xie S,Chen G,et al.Beyond the Black Box:Identifiable Interpretation and Control in Generative Models via Causal Minimality[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden: Springer Nature Switzerland,2026:75⁃94.DOI:10.1007/978-3-032-37592-65.

[23] Zhou S,Feng W,Qi Z,et al.GTR:Guide⁃Then⁃Refine Token Compression for Training⁃Free Acceleration of Video⁃LLMs[C/OL]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö, Sweden: Springer Nature Switzerland,2026.https://media.eventhosts.cc/Conferences/ECCV2026/pdfs/8821.pdf.

[24] Ma S,Zhang C,Wang C,et al.SAFE⁃Pruner: Semantic Attention⁃Guided Future⁃Aware Token Pruning for Efficient Vision⁃Language⁃Action Manipulation[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden:Springer Nature Switzerland,2026:163⁃180.DOI:10.1007/978-3-032-37362-59.

[25]Liu S,Deng X,Yang Z,et al.Delving into Latent Spectral Biasing of Video VAEs for Superior Diffusability[PP/OL].(2026⁃07⁃24)[2026⁃09⁃24].https://arxiv.org/abs/2512.05394.DOI:10.48550/arXiv.2512.05394.

[26] Ye A,Zhang Z,Wang B,et al.VLA⁃R1: Enhancing Reasoning in Vision⁃Language⁃Action Models[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö, Sweden: Springer Nature Switzerland,2026: 336⁃353. DOI:10.1007/978-3-032-37383-020.

[27] Sammani F,Chamiti T,Deligiannis N.On Test⁃Time Scaling for Vision⁃Language Models[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden: Springer Nature Switzerland,2026:168⁃185.DOI:10.1007/978-3-032-37271-010.

[28] Chen C H,Yeh S Y,Yang F E,et al.ReactVAU:A Slow⁃Fast Decoupled Framework for Streaming Video Anomaly Understanding[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden:Springer Nature Switzerland, 2026:443⁃462.DOI:10.1007/978-3-032-36846-127.

[29] Pu J,Chen Y,Wang T,et al.OmniScript:Towards Audio⁃Visual Script Generation for Long⁃Form Cinematic Video[PP/OL].(2026⁃04⁃13)[2026⁃09⁃24].https://arxiv.org/abs/2604.11102.DOI:10.48550/arXiv.2604.11102.

[30] Chen J,Dong S,Zhou Q,et al.Better Call CineCrew:Consistent Ultra⁃Long Narrative⁃to⁃Film Generation[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden:Springer Nature Switzerland,2026: 338⁃355.DOI:10.1007/978-3-032-37023-519.

[31] Cho J,Park Y J,Ha S J,et al.From Script to Shot:A Benchmark for Grounding Screenplays in Movies[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö,Sweden: Springer Nature Switzerland,2026:546⁃564.DOI:10.1007/978-3-032-37013-629.

[32] Yann L.World Models: Enabling the next AI revolution [EB/OL].(2026‑09‑11)[2026‑09‑27]. https://eccv.ecva.net/virtual/2026/invited-talk/6155.

[33] Wang Z M, Gao W, Shen S H.Predicting Consequences and Reinforcing Navigation Policies with Latent World Models [C/OL]European Conference on Computer Vision(ECCV),2026.https://media.eventhosts.cc/Conferences/ECCV2026/pdfs/7947.pdf.

[34] Tran D, Martín‑Martín R, Grauman K. EgoExo‑WM: Unlocking Exo Video for Ego World Models[PP/OL]. arXiv(2026‑05‑14)[2026‑09‑27]. https://arxiv.org/abs/2605.15477v2.

[35] Sykora Q, Biswas S, Diehl C,et al. TriO：Tri⁃Modal Unsupervised Occupancy World Model for Anything Perception[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö, Sweden: Springer Nature Switzerland,2026: 1123⁃1139.

[36] Roberts M, Wang R H, Zawar R, et al. SPEAR: A Simulator for Photorealistic Embodied AI Research[C]//Proceedings of the European Conference on Computer Vision (ECCV)，2026: 892⁃907.

[37] Zhang Y H, Dong W X, Shi Y, et al. R3DP: Real‑Time 3D‑Aware Policy for Embodied Manipulation[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö, Sweden: Springer Nature Switzerland,2026: 678⁃694.

[38] Yamane T, Suzuki S, Masumura R, et al. MV2GF: Multi⁃view Pedestrian Detection with a Visual Geometric Foundation Model[C]//Proceedings of the European Conference on Computer Vision(ECCV).Malmö, Sweden: Springer Nature Switzerland,2026: 785⁃801.

[39] Wayve. Wayve launches GAIA‑3, advancing world models from simulation to evaluation[EB/OL]. (2025‑12‑02)[2026‑09‑27]. https://wayve.ai/press/wayve-launches-gaia3/.

期刊导读 |《现代电影技术》2026年第10期

胡万峰等：高新技术格式VR立体摄制技术在偶剧沉浸式呈现中的应用研究

高盟等：AIGC技术在影视创作流程中的应用及质量控制研究